Adenomdetektionsfrekvens vid artificiell intelligensassisterad koloskopi

Kolorektal cancer (CRC) är den tredje vanligaste cancerformen och den näst vanligaste orsaken till cancerrelaterad död i världen. CRC-screening används för att upptäcka och avlägsna precancerösa lesioner innan de utvecklas till cancer. Koloskopi anses vara överlägset andra screeningtester och används därför som den gyllene standarden.

Screeningkoloskopi är förknippat med en minskad risk för CRC-relaterad död. Eftersom det inte är möjligt för en endoskopist att med säkerhet fastställa polypens histopatologi under en koloskopi bör upptäckta premaligna lesioner tas bort och skickas för histologisk undersökning. Flera studier har visat att det finns ett starkt samband mellan fynden vid koloskopin för baslinjescreening och frekvensen av allvarliga lesioner vid uppföljningskoloskopin. Riskfaktorer för adenom, avancerat adenom och cancer vid uppföljning av koloskopi är multiplicitet, storlek, villöshet och hög grad av dysplasi av adenomen vid koloskopin för baslinjescreening.

Adenomdetektionsfrekvensen (ADR) är den procentandel av undersökningar som utförs av en endoskopist, där ett eller flera adenom hittas. Detta är allmänt accepterat som den huvudsakliga kvalitetsindikatorn för varje endoskopist och koloskopi. Det finns starka bevis för att biverkningen är omvänt korrelerad till förekomsten av intervall CRC. Med varje 1,0 % ökning av ADR minskar risken med 3,0 % för att utveckla CRC. Tyvärr missas adenom och avancerade adenom ofta, och biverkningarna varierar mycket mellan olika endoskopister. Dessutom förändras kvaliteten under dagen. Både utsättningstiden och biverkningen minskar vid slutet av dagen, med cirka 20 % respektive 7 %. Små förbättringar av koloskopikvaliteten kan ha stor betydelse för utfallet vid screening för CRC.

Artificiell intelligens (AI) kan minska prestandavariationerna genom att fungera som ett par extra virtuella ögon, som kompenserar för perceptuella fel på grund av trötthet, distraktion och felaktig mänsklig syn. Under de senaste åren har det publicerats flera randomiserade kontrollerade studier (RCT) som undersöker effektiviteten av datorstödd detektion i realtid. Bland dessa har alla RCT:er som har ADR som primärt resultat visat att användningen av AI bidrar till en signifikant högre ADR, jämfört med koloskopier utan hjälp av ett AI-system.

Repici et al. har visat att erfarenhet av endoskopisten endast spelar en mindre roll som avgörande faktor. På motsvarande sätt, resultat från en tidigare studie av Liu et al. indikerar att CADe-system inte bara är användbara för endoskopister med låg detektionshastighet, utan också kan öka ADR för mer erfarna endoskopister. Kamba et. al rapporterar en signifikant lägre adenommissfrekvens (AMR) för CADe-assisterad koloskopi, jämfört med en konventionell koloskopi. Detta är oberoende av endoskopistens kompetensnivå. Andra studier drar slutsatsen att AI förmodligen kommer att gynna de mindre erfarna endoskopisterna mer. Det finns dock bara ett begränsat antal studier som undersöker effekten av AI när den används av mindre erfarna endoskopister.

Enligt en färsk RCT från Wallace et al. Användningen av AI kan minska AMR med cirka 50 %, men främst på grund av ökad upptäckt av små (<10 mm) platt neoplasi. Denna skillnad är något högre än i en tidigare studie, där den relativa minskningen var cirka 35 %. I denna studie fanns det dock ingen signifikant skillnad i missade diminutiva polyper (<10 mm).

I en systematisk översikt visades den totala utsättningstiden vara högre med AI-assisterad koloskopi (AIC), jämfört med konventionell koloskopi (CC), men ADR och PDR var också högre. Naturligtvis har det funnits oro för förlängd koloskopitid och ökad arbetsbelastning vid implementering av AI-systemet, eftersom den ökade upptäckten av små polyper kan leda till onödig polypektomi. Två nya RCT:s rapporterar dock att den onödiga resektionen av icke-neoplastiska polyper inte ökade genom att använda CADe-systemet.

Resultaten hittills är lovande, vilket tyder på att AIC är överlägsen CC när det gäller polyp- och adenomdetektion. Rutinanvändning av datorstödd polypdetektering (CADe)-system kan ytterligare minska förekomsten av intervall-CRC, men mer klinisk data från stora randomiserade multicenterstudier krävs för att förstå den faktiska effekten av AI i den dagliga kliniska miljön.

Vi har designat en kvalitetssäkring multicenter RCT för att undersöka effekten av AI-assistans i realtid (GI Genius, Medtronic) på adenomdetektionsfrekvens (ADR) hos både erfarna och mindre erfarna endoskopister. Vi vill undersöka om CADe-systemet kan minska prestandavariabiliteten och öka ADR avsevärt.

Det övergripande syftet med denna forskning är att undersöka om AI-hjälp vid koloskopi kan öka ADR.

Denna prospektiva, multicenter, randomiserade kontrollerade studie (RCT) kommer att äga rum vid fyra endoskopienheter i Region Själland, Danmark. Dessa enheter finns på Själlands universitetssjukhus (Køge), Nykøbing Falster sjukhus, Holbæk sjukhus och Næstved sjukhus. Alla enheter utom Næstved sjukhus deltar i det nationella CRC-screeningprogrammet.

Vi kommer att screena alla patienter som är schemalagda för screening, diagnostik och övervakning av koloskopi. De berättigade patienterna kommer att få en koloskopi från en expert eller en icke-expert endoskopist baserat på normalfördelningen av endoskopister vid de endoskopiska enheterna.